مجموعة بيانات COCO8

مقدمة

تعد مجموعة بيانات Ultralytics COCO8 مجموعة بيانات مدمجة وقوية لـ object detection، وتتكون من أول 8 صور من مجموعة COCO train 2017—4 للتدريب و4 للتحقق من الصحة. صُممت مجموعة البيانات هذه خصيصاً للاختبار السريع، والتصحيح، والتجربة مع نماذج YOLO وخطوط أنابيب التدريب. حجمها الصغير يجعلها سهلة الإدارة للغاية، في حين يضمن تنوعها أن تكون بمثابة فحص فعال للمنطق قبل الانتقال إلى مجموعات بيانات أكبر.

تتوافق COCO8 تماماً مع Ultralytics Platform وYOLO26، مما يتيح تكاملاً سلساً في سير عمل الرؤية الحاسوبية الخاص بك.

ملف YAML الخاص بمجموعة البيانات

يتم تحديد تكوين مجموعة بيانات COCO8 في ملف YAML (Yet Another Markup Language)، الذي يحدد مسارات مجموعة البيانات، وأسماء الفئات، وغيرها من البيانات الوصفية الأساسية. يمكنك مراجعة ملف coco8.yaml الرسمي في مستودع Ultralytics على GitHub.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

الاستخدام

لتدريب نموذج YOLO26n على مجموعة بيانات COCO8 لمدة 100 epochs مع حجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع وثائق تدريب YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

صور وعينات تعليقات توضيحية

فيما يلي مثال على دفعة تدريب بنمط الفسيفساء من مجموعة بيانات COCO8:

• صورة بنمط الفسيفساء: توضح هذه الصورة دفعة تدريب حيث يتم دمج صور متعددة من مجموعة البيانات باستخدام زيادة البيانات بنمط الفسيفساء (mosaic augmentation). تعمل زيادة البيانات بنمط الفسيفساء على زيادة تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل على أحجام الكائنات، ونسب العرض إلى الارتفاع، والخلفيات المختلفة.

تعد هذه التقنية مفيدة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8، لأنها تزيد من قيمة كل صورة أثناء التدريب.

الاقتباسات والشكر

إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، يرجى الاستشهاد بالورقة البحثية التالية:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

شكر خاص لـ COCO Consortium على مساهماتهم المستمرة في مجتمع computer vision.

الأسئلة الشائعة

ما الغرض من استخدام مجموعة بيانات Ultralytics COCO8؟

صُممت مجموعة بيانات Ultralytics COCO8 للاختبار السريع وتصحيح أخطاء نماذج object detection. مع 8 صور فقط (4 للتدريب، 4 للتحقق من الصحة)، فهي مثالية للتحقق من خطوط أنابيب تدريب YOLO الخاصة بك والتأكد من أن كل شيء يعمل كما هو متوقع قبل الانتقال إلى مجموعات بيانات أكبر. استكشف تكوين YAML الخاص بـ COCO8 لمزيد من التفاصيل.

كيف يمكنني تدريب نموذج YOLO26 باستخدام مجموعة بيانات COCO8؟

يمكنك تدريب نموذج YOLO26 على COCO8 باستخدام إما Python أو CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

للحصول على خيارات تدريب إضافية، ارجع إلى وثائق تدريب YOLO.

لماذا يجب أن أستخدم Ultralytics Platform لإدارة تدريب COCO8 الخاص بي؟

تعمل Ultralytics Platform على تبسيط إدارة مجموعة البيانات، والتدريب، والنشر لنماذج YOLO—بما في ذلك COCO8. بفضل ميزات مثل التدريب السحابي، والمراقبة في الوقت الفعلي، والتعامل البديهي مع مجموعة البيانات، تمكنك HUB من إطلاق التجارب بنقرة واحدة وتزيل عناء الإعداد اليدوي. تعرف على المزيد حول Ultralytics Platform وكيف يمكن أن تسرع مشاريع الرؤية الحاسوبية الخاصة بك.

ما هي فوائد استخدام زيادة البيانات بنمط الفسيفساء في التدريب باستخدام مجموعة بيانات COCO8؟

تعمل زيادة البيانات بنمط الفسيفساء (Mosaic augmentation)، كما هو مستخدم في تدريب COCO8، على دمج صور متعددة في صورة واحدة خلال كل دفعة. هذا يزيد من تنوع الكائنات والخلفيات، مما يساعد نموذج YOLO الخاص بك على التعميم بشكل أفضل على سيناريوهات جديدة. تعد زيادة البيانات بنمط الفسيفساء قيمة بشكل خاص لمجموعات البيانات الصغيرة، لأنها تزيد من المعلومات المتاحة في كل خطوة تدريب. لمزيد من المعلومات حول هذا، راجع دليل التدريب.

كيف يمكنني التحقق من صحة نموذج YOLO26 الخاص بي الذي تم تدريبه على مجموعة بيانات COCO8؟

للتحقق من صحة نموذج YOLO26 الخاص بك بعد التدريب على COCO8، استخدم أوامر التحقق من صحة النموذج في إما Python أو CLI. يقوم هذا بتقييم أداء نموذجك باستخدام مقاييس قياسية. للحصول على تعليمات خطوة بخطوة، قم بزيارة وثائق التحقق من صحة YOLO.